WBCBench 2026: A Challenge for Robust White Blood Cell Classification Under Class Imbalance

Resumen Técnico: WBCBENCH 2026

1. Planteamiento del Problema

La clasificación de glóbulos blancos (WBC) mediante imágenes microscópicas es fundamental para el diagnóstico de trastornos hematológicos como la leucemia. Sin embargo, los sistemas actuales de inteligencia artificial enfrentan tres desafíos críticos que limitan su implementación en el mundo real:

• Desequilibrio de clases severo: Las clases raras (como blastos o células inmaduras) son escasas en comparación con las células maduras (neutrófilos, linfocitos), lo que sesga los modelos hacia las clases mayoritarias.
• Falta de separación estricta a nivel de paciente: Muchos conjuntos de datos permiten que imágenes del mismo paciente aparezcan tanto en entrenamiento como en prueba, inflando artificialmente el rendimiento.
• Fragilidad ante cambios de dominio: Los modelos suelen entrenarse con imágenes "puras" y fallan ante degradaciones reales como ruido, desenfoque, variaciones de iluminación o diferencias entre escáneres.

Actualmente, no existe un estándar de referencia (benchmark) que aborde simultáneamente la morfología de grano fino, el desequilibrio de clases realista y la robustez ante variaciones de adquisición.

2. Metodología y Diseño del Benchmark

WBCBENCH 2026 es un desafío organizado en dos fases para evaluar la robustez de los algoritmos:

• Conjunto de Datos:

  • Origen: 55,012 imágenes microscópicas de frotis de sangre periférica de un solo centro (Chulalongkorn University), teñidas con Wright-Giemsa.
  • Clases: 13 clases morfológicamente finas, incluyendo neutrófilos segmentados, linfocitos, monocitos, eosinófilos, basófilos, y subtipos raros como blastos (BL), prolinfocitos (PLY) y células plasmáticas (PC).
  • Anotación: Realizada por 5 hematópatólogos expertos con consenso en casos ambiguos.
  • Distribución: Se mantiene el desequilibrio clínico natural (las células maduras dominan, las raras son minoritarias) en lugar de equilibrar artificialmente las clases.

• Estrategia de División (Splits):

  • Separación estricta por paciente: Ningún paciente aparece en más de un conjunto (entrenamiento, validación o prueba) para evitar fugas de información.
  • Fase 1 (Entrenamiento inicial): 15% de los pacientes (74 pacientes, 8,288 imágenes) con imágenes prístinas (sin degradación).
  • Fase 2 (Evaluación de robustez): 85% de los pacientes (379 pacientes) divididos en validación y prueba. Esta fase introduce degradación sintética controlada para simular condiciones reales de despliegue.

• Estrategia de Degradación (Fase 2):

  • Se aplican operadores sintéticos (ruido gaussiano/Poisson, desenfoque gaussiano/movimiento, recorte, variaciones de color, iluminación y viñeteado).
  • Niveles de severidad: Las imágenes se degradan en cuatro niveles (prístino, leve, moderado, extremo) con distribuciones específicas para entrenamiento, validación y prueba.
  • Protección de clases raras: Para clases extremadamente raras (como PLY), se limita la degradación extrema para asegurar que existan referencias morfológicas limpias, evitando que la clase desaparezca completamente.

• Métrica de Evaluación:

  • El criterio principal es la F1-macro promedio sobre las 13 clases. Esta métrica penaliza severamente el ignorar clases minoritarias, a diferencia de la precisión global o la F1-ponderada.

3. Contribuciones Clave

1. Primer Benchmark de Robustez en Hematología: Llena el vacío de benchmarks en microscopía hematológica que combinen desequilibrio de clases, separación por paciente y variabilidad de adquisición.
2. Protocolo de Degradación Controlada: Introduce una simulación realista de fallos de escáner y condiciones de laboratorio que los modelos deben superar.
3. Evaluación Rigurosa: Establece un protocolo de evaluación estandarizado con código abierto y un líder (leaderboard) público, fomentando la reproducibilidad.
4. Análisis de Casos Difíciles: Proporciona un análisis detallado de por qué fallan los modelos en clases específicas (blastos, células raras) bajo degradación.

4. Resultados

• Participación: 241 equipos registrados (academia, industria e independientes) de todo el mundo; 101 equipos enviaron resultados válidos.
• Rendimiento de Línea Base:
  • ResNet-50: F1-macro = 0.635.
  • Swin-Tiny: F1-macro = 0.643.
• Resultados de los Mejores Equipos:
  • El equipo ganador (FDVTS WBC) logró un F1-macro de 0.777, superando a las líneas base en más de 13 puntos.
  • El top-10 incluyó equipos que utilizaron ensembles de modelos fundacionales (DinoBloom, DINOv3), estrategias de aprendizaje por transferencia (LoRA), y técnicas específicas para clases raras (clasificadores binarios dedicados, GANs para denoising).
• Análisis por Clase:
  • Clases Fáciles: Neutrófilos (SNE) y Linfocitos (LY) alcanzaron F1 > 0.96.
  • Clases Difíciles: Células Plasmáticas (PC) y Prolinfocitos (PLY) mostraron los peores resultados (F1 ~0.15 y ~0.59 respectivamente) debido a la escasez extrema de muestras y ambigüedad morfológica.
  • Hallazgo Crítico: Los modelos que ignoran las clases raras obtienen alta precisión global pero baja F1-macro. Los ganadores lograron mejorar la recuperación (recall) de clases raras sin sacrificar el rendimiento en las clases mayoritarias.

5. Significado e Implicaciones

WBCBENCH 2026 demuestra que, aunque los modelos de vanguardia (basados en fundacionales y ensembles) han mejorado significativamente sobre las líneas base tradicionales, la clasificación robusta de células raras bajo degradación severa sigue siendo un desafío abierto.

El benchmark subraya que:

• La simple aplicación de modelos grandes no resuelve el problema del desequilibrio y la variabilidad del dominio.
• Se requieren estrategias específicas para la detección de clases minoritarias y la adaptación al dominio.
• La comunidad científica debe enfocarse en la generalización realista (despliegue en hospitales con equipos variados) en lugar de solo en la precisión en conjuntos de datos limpios.

El conjunto de datos, el evaluador y las implementaciones de referencia se han liberado como código abierto para fomentar la investigación continua en el análisis de imágenes hematológicas robusto.